基于强化学习的可解释控制
机器学习
2020-07-21 v1 人工智能
机器人学
符号计算
系统与控制
系统与控制
摘要
本文使用三种近期提出的强化学习（RL）方法为小车倒立摆平衡基准生成人类可解释的策略。这些新颖的 RL 方法以紧凑模糊控制器和简单代数方程的形式学习人类可解释策略。将其表示及所达成的控制性能与两种经典控制器设计方法和三种不可解释 RL 方法进行比较。所有八种方法利用相同的先前生成的数据批次，并在离线状态下生成其控制器——不与真实基准动力学交互。实验表明，新颖的 RL 方法能够自动生成性能良好且同时人类可解释的策略。此外，其中一种方法被应用于仅使用人类玩家生成的批次数据，为硬件小车倒立摆演示器自动学习基于方程的策略。首次尝试生成的方案即代表一个成功的平衡策略，这证明了该方法在现实问题中的适用性。
引用
@article{arxiv.2007.09964,
title = {Interpretable Control by Reinforcement Learning},
author = {Daniel Hein and Steffen Limmer and Thomas A. Runkler},
journal= {arXiv preprint arXiv:2007.09964},
year = {2020}
}